Development of Motion Detection Algorithm Using 3d Sensors for Patient Monitoring Support Service System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the aging of the overall patient population, the incidence of patients developing delirium during hospitalization is increasing. This study aims to improve post-operative safety management and reduce the workload of nurses related to patient care. We have developed a monitoring system that uses 3D sensors to detect specific behaviors and motions that require attention in cases where patients exhibit abnormal behaviors, such as falls and self-removal of IV lines, and trigger alerts. In this paper, we present an algorithm for detecting dangerous motions. We use the point cloud data generated by the 3D sensors that collect 3D information. We analyze the motions of subjects based on changes in the point cloud data and tag specific human body motions and behaviors. When there are no obstacles in the imaging direction of the 3D sensors, we detect human body movements (supine position on the bed, half sitting up, and separated from the bed) with an F-measure of 98.33% and motions (thrashing limbs, touching mouth/neck/arms, no action) with an F-measure of 98.23%. We detect the basic motions that trigger alert notifications. However, the detection accuracy decreases depending on the imaging conditions and subject movements. We use invisible and safe near-infrared light for motion detection and recognition to perform imaging even after lights are turned off, without disturbing patients' sleep. Motion recognition using point cloud data is a privacy-friendly monitoring method with a low risk of acquiring personally identifiable information. In the future, we plan to verify the algorithm using actual patients and investigate the detection of motions in addition to those considered in this study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle